基于改进HMM模型的无线移动通信忙时话务量预测陈丽（中国移动.docVIP

基于改进HMM模型的无线移动通信忙时话务量预测 陈丽 （中国移动通信集团新疆有限公司，新疆 乌鲁木齐 830011） 摘要：为了改进传统HMM模型存在的过学习的问题，文中将ANN算法与HMM模型相结合，ANN算法具有很强的抗干扰性，也不存在过学习的问题，刚好弥补了HMM模型的缺陷。并将其运用到无线移动通信忙时话务量的预测中，而且首次将短信数据，用户数据等影响话务量的相关因素考虑进去，结果表明：ANNHMM模型在综合考虑多种因素的情况下具有良好的预测效果。 关键词：话务量预测；ANNHMM模型；影响因素 Busy Hour Traffic of Wireless Mobile Communication Prediction Based on Improved Hidden Markov Model Abstract: In order to improve the learning problem of traditional HMM models, use ANN algorithm combined with HMM model .Because ANN algorithm has a strong anti-interference and has not any learning problems, just make up for the deficiencies of the HMM model. It is applied to predict busy hour traffic of wireless mobile communication. And first put SMS data, user data and other related factors affecting traffic into account. Results showed that the ANNHMM model in the case of considering a variety of factors have good predictive results. Key words: traffic prediction, ANNHMM Models, influence factors 引言 近几年由于通信行业技术突飞猛进的发展，移动通信话务量预测的工作越来越重要，对于通信运营商来说，话务量的大小会直接影响到其公司的经济的利益。然而话务量的大小对于移动公司的网络设计，网络规划以及网络性能评价等方面具有很大的影响。尤其在近几年我们面对着新的数据时代，3G业务的普及，用户数的增加，资费水平的变化，突发事件的出现等都会影响到话务量的大小，运营商更需积极考虑成本的优化战略。因此，话务量预测的研究是非常有必要的，然而简单的引用一些经典模型已经不能适应当前话务量的预测研究。 对于传统的时间序列预测模型通常有两大缺点：第一个是大多数传统模型只使用一个变量来预测；第二个是从人工神经网络（ANN）中挖掘到的规则通常是不容易理解的。 当前隐马尔科夫模型（Hidden MarkovModel，简称HMM）广泛应用于股票价格时间序列预测。并取得了很好的效果。这为话务量的预测开阔了新的思路，提供了新的理论和技术支持。然而传统的HMM模型存在着过学习的问题，而ANN模型没有任何前提假设，具有很强的抗干扰性也不存在过学习的问题。因而将ANN算法有效地和HMM模型相结合不仅能解决传统模型存在的缺陷还能同时考虑变量自身序列结构以及相关因素的影响。因此本文将在综合考虑用户数，短信数据，历史的话务量的情况下利用人工神经网络（ANN）和隐马尔可夫模型（HMM）结合的综合模型对无线移动通信忙时话务量进行预测。实验结果表明该模型具有较好的预测效果。 隐马尔科夫模型 隐马尔可夫模型（Hidden Markov Model，HMM）是统计模型，它用来描述一个含有隐含未知参数的马尔可夫过程。其难点是从可观察的参数中确定该过程的隐含参数。然后利用这些参数来作进一步的分析， 在正常的马尔可夫模型中，状态对于观察者来说是直接可见的。这样状态的转换概率便是全部的参数。而在隐马尔可夫模型中,状态并不是直接可见的，但受状态影响的某些变量则是可见的。每一个状态在可能输出的符号上都有一概率分布。因此输出符号的序列能够透露出状态序列的一些信息。 隐马尔科夫模型（HMM）可以由以下五个元素来进行描述： N为HMM中隐含状态 M为每个可观测状态 Π为初始状态概率矩阵 A为隐含状态转移概率矩阵×n的状态转移矩阵，A={},是从状态到状态的转移概率,即==。 B观测状态转移概率矩阵×m的混合矩阵，B={},表示在t时刻隐含状态是条件下，观察状态为的概率 但是在通常情况下，我们